為提高船舶風壓差的預測精度,使船舶能夠更快穩(wěn)定在計劃航線上以保障航行安全,提出一種基于主成分分析(principal component analysis, PCA)法和自適應(yīng)粒子群優(yōu)化(self-adaptive particle swarm optimization, SAPSO)算法的船舶風壓差神經(jīng)網(wǎng)絡(luò)預測模型。該方法采用PCA法對航行數(shù)據(jù)進行預處理,然后將數(shù)據(jù)輸入由SAPSO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)中,改變以往通過復雜的數(shù)學建模計算風壓差的方法,提高預測的時效性和準確性。利用實船數(shù)據(jù)對模型進行船舶風壓差的實時預測仿真,結(jié)果驗證了該預測模型具有較高的可靠性。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1SAPSO-BP模型與PSO-BP模型適應(yīng)度函數(shù)曲線比較

其中:j為微粒子群規(guī)模數(shù)量;λ為微粒子群位置最大值;pos為離散的均勻隨機正整數(shù);c為正的常數(shù),通常小于1。圖1為SAPSO-BP模型和PSO-BP模型適應(yīng)度函數(shù)曲線比較�；贛ATLAB仿真環(huán)境,選取120組數(shù)據(jù)對傳統(tǒng)PSO-BP和SAPSO-BP模型進行訓練。模型初始參數(shù)設(shè)置....

圖2PCA-SAPSO-BP模型算法流程

PCA-SAPSO-BP模型算法流程見圖2。3仿真結(jié)果與討論

圖3PCA-BP模型船舶風壓差預測結(jié)果

3.1PCA-BP模型的船舶風壓差預測如圖3所示(橫坐標預測點數(shù)表示船舶風壓差的預測樣本點數(shù)量),PCA-BP船舶風壓差預測模型雖然在一些預測點上的預測值與實測值之間的差值(預測誤差)較大,但預測值與實測值變化曲線基本吻合。網(wǎng)絡(luò)模型通過連續(xù)的數(shù)據(jù)學習,能夠?qū)W習到船舶風壓差的變化....

圖4PCA-BP模型船舶風壓差預測誤差曲線

如圖3所示(橫坐標預測點數(shù)表示船舶風壓差的預測樣本點數(shù)量),PCA-BP船舶風壓差預測模型雖然在一些預測點上的預測值與實測值之間的差值(預測誤差)較大,但預測值與實測值變化曲線基本吻合。網(wǎng)絡(luò)模型通過連續(xù)的數(shù)據(jù)學習,能夠?qū)W習到船舶風壓差的變化規(guī)律(說明PCA-BP神經(jīng)網(wǎng)絡(luò)對非線性擬....

本文編號：3994784